一般用哪些工具做大数据分析？
谢邀~本君自荐一下。我们的产品诸葛io（www.zhugeio.com）可能更偏向于非技术人员的业务分析，比如产品经理、市场、运营人员。从某种意义上也具有可视化分析的特性，但区别于其他工具的是我们面向互联网产品推广运营过程中的分析需求定义了一些分析模型，比如事件、漏斗、自定义留存、粘性、用户分群等，很多工具可以任意拖拽去做分析，但很多时候客户也会因为太灵活反而有一定门槛，所以，当一些模型被标准化以后，基本可以解决互联网产品设计、推广、运营、营销过程中的绝大多数分析需求，这也大大提供了业务人员的工作效率。
附图几张：用户模型全行为路径分析模型粘性分析模型自定义留存分析模型关于一些分析模型，我们整理出了常用的八大数据分析模型，过去两个月，每周二都会更新一个模型，很多模型大家都比较了解，但可能他又增加了一些新特性，感兴趣可戳链接：八大数据分析模型之——用户模型（一）八大数据分析模型之——事件模型（二）八大数据分析模型之——漏斗模型（三）八大数据分析模型之——热图模型（四）八大数据分析模型之——自定义留存分析模型（五）八大数据分析模型之——粘性分析模型（六）八大数据分析模型之——全行为路径模型（七）......当然，我们也面向有高级使用需求的用户，比如数据分析师或是有一定数据查询能力的人员提供了SQL查询功能，因为还有20%的分析需求无法通过标准的模型解决，需要自己去定义。
大数据具体是做什么？有哪些应用？
大数据即海量的数据，一般至少要达到TB级别才能算得上大数据，相比于传统的企业内数据，大数据的内容和结构要更加多样化，数值、文本、视频、语音、图像、文档、XML、HTML等都可以作为大数据的内容。提到大数据，最常见的应用就是大数据分析，大数据分析的数据来源不仅是局限于企业内部的信息化系统，还包括各种外部系统、机器设备、传感器、数据库的数据，如：政府、银行、国计民生、行业产业、社交网站等数据，通过大数据分析技术及工具将海量数据进行统计汇总后，以图形图表的方式进行数据展现，实现数据的可视化，在此基础上结合机器学习算法，对数据进行深度挖掘，发掘数据的潜在价值。
应用部分，大数据不仅包括企业内部应用系统的数据分析，还包括与行业、产业的深度融合，大数据分析的应用场景具有行业性，不同行业所呈现的内容与分析维度各不相同，具体场景包括：互联网行业、政府行业、金融行业、传统企业中的地产、医疗、能源、制造、电信行业等等。1. 互联网行业大数据的应用代表为电商、社交、网络检索领域，可以根据销售数据、客户行为（活跃度、商品偏好、购买率等）数据、交易数据、商品收藏数据、售后数据等、搜索数据刻画用户画像，根据客户的喜好为其推荐对应的产品。
2. 政府行业在大数据分析部分包括质检部门、公安部门、气象部门、医疗部门等，质检部门包括对商品生产、加工、物流、贸易、消费全过程的信息进行采集、验证、检查，保证食品物品安全；气象部门通过构建大气运动规律评估模型、气象变化关联性分析等路径，精准地预测气象变化，寻找最佳的解决方案，规划应急、救灾工作。3. 金融行业的大数据分析多应用于银行、证券、保险等细分领域，在大数据分析方面结合多种渠道数据进行分析，客户在社交媒体上的行为数据、在网站上消费的交易数据、客户办理业务的预留数据，结合客户年龄、资产规模、消费偏好等对客户群进行精准定位，分析其在金融业的需求等。
4. 传统行业包括：能源、电信、地产、零售、制造等。电信行业借助大数据应用分析传感器数据异常情况，预测设备故障，提高用户满意度；能源行业利用大数据分析挖掘客户行为特征、消费规律，提高能源需求准确性；地产行业通过内外部数据的挖掘分析，使管理者掌握和了解房地产行业潜在的市场需求，掌握商情和动态，针对细分市场实施动态定价和差别定价等；制造行业通过大数据分析实现设备预测维护、优化生产流程、能源消耗管控、发现潜在问题并及时预警等。
在新时期，如何利用大数据成为不可或缺的人才？
大数据的时代已经到来，大数据技术为企业带来许多价值，如：帮助企业人员快速的掌握业内最新动态，快速获取并分析潜在客户进行精准营销，有效预测未知风险便于决策管控等。大数据分析技术或平台对于企业未来的决策发展固然有着不可或缺的作用，但不可否认让这些技术理念/工具出彩的背后的人才也是当今社会渴求的。若想利用大数据成为不可或缺的人才首先要掌握大数据技术，其次要能够把大数据与实际业务场景相结合，之后将技术与创新或未来技术融会贯通，创造出更多的价值。
一、掌握相关技术大数据是对海量数据进行存储、计算、统计、分析处理的一系列手段，涉及的技术有很多方面，例如基本的java编程技术，入门基础等；了解掌握linux命令，很多大数据的开发是在Linux环境下进行的；学习掌握主流的大数据相关工具与技术，大数据开发的重要框架Hadoop；相关数据库、存储环境Hive、Avro与Protobuf、HBase等。
二、结合实际情况大数据中包含了很多业务场景，不同行业、业务场景、IT环境，会导致建设阶段、模型设计、分析指标、侧重点、所运用的技术各不相同，使分析变得业务化、合理化，这样才能抓住数据的价值，对数据信息进行合理有效的分析，帮助企业经营管理、风险决策，真正做到为企业带来商业价值。三、融合升级技术大数据技术应用得当会在很多行业大放异彩，带来创新体验，特别是在结合当下新技术的环境下，如：人工智能、区块链、AI等，这就要求相关人员不能故步自封，沉浸在大数据的技术中不去创新、升华，多去分析价值、提炼价值，想做好这一步不是一朝一夕就能实现，这就需要平时不断的学习积累，在分析中不断探索实战，在实战中总结经验教训加以改进。
大数据开发、大数据分析、大数据运维主要工作各是什么？哪个好？
在大数据领域大概有四个大的工作方向，除了大数据平台应用及开发、大数据分析与应用和大数据平台集成与运维之外，还有大数据平台架构与研发，除了以上四个大的工作方向之外，还有一个工作方向是大数据技术推广和培训，这部分工作目前也有不少人在从事。大数据平台架构与研发主要的工作内容是研发底层的大数据平台，这部分工作的难度较高，从事这部分工作的研发级岗位也并不多。
现在不少技术研发团队都以Hadoop、Spark平台为基础进行研发，这样能够节省大量的时间，也更容易做出市场接受度比较高的大数据平台（商用较多）。大数据平台应用开发是目前一个就业的热门方向，一方面是大数据开发的场景众多，另一方面是难度并不高，能够接纳的从业人数也非常多。大数据开发主要是满足企业在大数据平台上的应用开发，与场景有密切的关系。
大数据开发是在大数据平台基础之上的开发，充分利用大数据平台提供的功能来满足企业的实际需求。大数据分析是大数据应用的一个重点，甚至可以说是大数据的核心内容。大数据分析是基于大数据平台提供的功能进行具体的数据分析，数据分析与场景有密切的关系，比如出行大数据分析、营销大数据分析、金融大数据分析等等。目前采用机器学习的方式进行大数据分析是一个趋势，机器学习的步骤包括数据收集、算法设计、训练算法、验证算法和使用算法，所以算法在数据分析中起到了重要的作用，做数据分析工作要有一定的算法基础。
大数据运维主要从事大数据平台的软硬件集成和运维工作，主要的工作内容是完成大数据平台的部署和调试等相关工作，这部分工作岗位也比较多，企业往往需要有一个专门的运维团队来保障大数据平台的平稳运行。相对来说，这部分工作的难度小一些，但是需要掌握的内容也比较多，包括网络、服务器等软硬件知识。大数据是我的主要研究方向之一，目前我也在带大数据方向的研究生，我会陆续在头条写一些关于大数据方面的文章，感兴趣的朋友可以关注我的头条号，相信一定会有所收获。
